Αυτο-εποπτευόμενο Word2Vec
Το Word2Vec είναι ένα ρηχό μοντέλο νευρωνικού δικτύου που εισήχθη από τους Mikolov et al. (2013) και μαθαίνει πυκνές διανυσματικές αναπαραστάσεις λέξεων από μεγάλα μη επισημασμένα σώματα κειμένων, χρησιμοποιώντας αυτο-εποπτευόμενους στόχους. Εκπαιδεύοντας ένα μοντέλο να προβλέπει λέξεις του περιβάλλοντος πλαισίου (Skip-gram) ή μια λέξη-στόχο από το πλαίσιό της (CBOW), συλλαμβάνει πλούσιες σημασιολογικές και συντακτικές κανονικότητες σε συνεχή διανυσματικό χώρο χωρίς καμία χειροκίνητη επισήμανση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. In Proceedings of the International Conference on Learning Representations (ICLR 2013). link ↗
- Mikolov, T., Sutskever, I., Chen, K., Corrado, G., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. In Advances in Neural Information Processing Systems (NeurIPS 2013), 26. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/el/deep-learning/self-supervised-word2vec
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- FastTextΒαθιά Μάθηση↔ compare
- Διανύσματα GloVeΕξόρυξη Κειμένου↔ compare
- Αναδρομικό Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →